[发明专利]基于正则化稠密连接特征金字塔的实例显著性检测方法

权利要求书

1.基于正则化稠密连接(regularized dense connections)特征金字塔的实例显著性检测方法，其特征在于，该方法包含如下步骤：

a.设计一个新的卷积神经网络模型，该模型分为三大部分，第一个是特征提取部分，第二个是侧向物体框预测分支部分，第三个是物体像素级分割分支部分；

b.用户向所述卷积神经网络模型中输入一张任意大小的图片到模型的特征提取部分，即一个带有特征金字塔增强的卷积神经网络中，并输出一个特征金字塔；所述的特征金字塔增强是先利用“FCOS:Fully Convolutional One-Stage Object Detection”中的特征金字塔增强方法生成增强的特征金字塔，再在该基础上使用正则化稠密连接构建新的特征金字塔；

c.步骤b中使用正则化稠密连接构建出的特征金字塔的每个特征层级都连接着所述卷积神经网络模型的第二部分即侧向物体框预测分支，得到预测到的物体框级别的显著性实例；

d.利用步骤c中预测出的物体框级别的显著性实例，在“Mask R-CNN”中提出的RoIAlign方法基础上，对步骤b中使用正则化稠密连接构建出的特征金字塔进行特征复用，即使用多级RoIAlign方法，得到每个预测到的显著性实例的感兴趣区域(Region ofInterest)特征金字塔，再利用模型的第三部分即物体像素级分割分支部分得到每个实例的像素级分割预测结果，最后将这些预测结果对应到原图的各个位置，得到最后实例级的显著性物体检测结果。

2.根据权利要求1所述的基于正则化稠密连接特征金字塔的实例显著性检测方法，其特征在于：步骤b所述正则化稠密连接指使用正则化强化后的稠密连接。

3.根据权利要求1所述的基于正则化稠密连接特征金字塔的实例显著性检测方法，其特征在于：步骤d所述多级RoIAlign指对步骤b中生成的特征金字塔的每个层级都使用RoIAlign。